癌症识别中一种基于组合GCM和CCM的分类算法

根据基因表达谱数据的特点,提出了全局分量模型(global component model,简称GCM)和癌症组分量模型(cancer component model,简称CCM)两种癌症识别模型.结合GCM模型和CCM模型的互补性,利用基于权值的投票组合策略提出一种基于组合GCM和CCM的癌症分类算法(ensemble algorithm based on GCM and CCM for cancer recognition,简称EAGC).在Leukemia,Breast,Prostate,DLBCL,Colon,Ovarian这6个数据集上进行了独立测试实验和交叉测试实验.实验结果表明,EAGC有效地综合了GCM和CCM识别模型的解决方案,弥补了单个分类器的不足,具有较好的泛化性,在所有数据集上都取得较好的分类性能.

癌症识别中一种基于相关性的分层特征选择方法

根据基因表达谱数据高维度、小样本、高噪声的特点,提出一种基于相关特征选择(Correlation-based Feature Selection,CFS)的分层抽样的基因特征选择方法(简称CFS-SS)。首先,利用CFS算法提取与分类相关性大的特征基因集,然后通过分层方法构造多层特征子集空间,在部分层空间中寻找最优特征子集。在Leukemia,Colon,Prostate数据集上进行了交叉测试实验.实验结果表明,CFS-SS有效地从不同层次的特征子集样本中可以提取出有价值的基因特征集,在不同的分类器上取得较好的分类性能。

利用协同分类方法识别癌症类型

针对基因表达谱数据的特点提出了全局分量模型(GCM)和癌症组分量模型(CCM)两种癌症识别模型;通过基于权值的投票组合策略提出了一种基于GCM和CCM的协同分类方法(CAGC)来识别癌症类型。在Leukemia,Breast,Prostate,DLBCL,Colon,Ovarian等6个数据集上进行了测试实验,结果表明CAGC有效综合了GCM和CCM识别模型的解决方案,具有较好的泛化性。

一种基于支持向量数据描述的特征选择算法

已有基于支持向量数据描述的特征选择方法计算量较大,导致特征选择的时间过长。针对此问题,提出了一种新的基于支持向量数据描述的特征选择算法。新方法的特征选择是通过超球体球心方向上的能量大小来决定且采用了递归特征消除方式来逐渐剔除掉冗余特征。在Leukemia数据集上的实验结果表明,新方法能够进行快速的特征选择,且所选择的特征对后续的分类是有效的。

技术

美国找到植皮新方法；炸弹侦测新技术；